一種自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法
【專利摘要】本發(fā)明公開(kāi)了自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法，其包括步驟：(1)將輸入圖像劃分為若干互不重疊的圖像塊；(2)利用像素八連通區(qū)域內(nèi)最大梯度度量輸入圖像中各像素的紋理變化程度，生成紋理特征圖；(3)利用紋理特征圖計(jì)算各塊紋理對(duì)比度，并以此為依據(jù)自適應(yīng)設(shè)定各塊測(cè)量率，并根據(jù)各塊測(cè)量率構(gòu)造塊測(cè)量矩陣，逐塊進(jìn)行壓縮感知測(cè)量；(4)以塊紋理對(duì)比度加權(quán)圖像重建模型的目的函數(shù)，建立自適應(yīng)全局重建模型，集中優(yōu)化富含紋理區(qū)域，生成最終的重建圖像，本發(fā)明可有效改善圖像主客觀重建質(zhì)量，其整體性能與現(xiàn)有技術(shù)相比，獲得了較大的率失真性能改善。
【專利說(shuō)明】
一種自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像編碼技術(shù)領(lǐng)域，涉及一種基于壓縮感知的低復(fù)雜度編碼方法，尤 其是提出了自適應(yīng)于圖像紋理對(duì)比度分布的壓縮感知測(cè)量方法，以提高圖像編碼的率失真 性能。
【背景技術(shù)】
[0002] 傳統(tǒng)圖像編碼（如JPEG)以圖像變換為核心，由奈奎斯特(Nyquist)頻域采樣定理 為理論基礎(chǔ)，要求圖像變換次數(shù)至少為圖像總像素?cái)?shù)才可精確復(fù)原圖像。然而，在計(jì)算能力 和耗電量均受限的無(wú)線傳感器網(wǎng)絡(luò)終端，變換次數(shù)過(guò)多會(huì)引入較高計(jì)算復(fù)雜度，這使得傳 統(tǒng)圖像編碼并不適合應(yīng)用至"輕"采集點(diǎn)場(chǎng)合。另外，傳統(tǒng)圖像編碼對(duì)圖像實(shí)施全變換致使 信息駐留在稀少的系數(shù)之上，若干重要系數(shù)丟失會(huì)極大衰退圖像重建質(zhì)量，這無(wú)疑也對(duì)無(wú) 線傳感器間的通信質(zhì)量提出了更高要求。突破奈奎斯特頻域采樣定理的壓縮感知 (Compressive Sensing，CS)為解決上述問(wèn)題開(kāi)啟了新思路，使得采用部分變換仍可精確復(fù) 原信號(hào)，這激發(fā)了圖像壓縮感知作為新圖像編碼方法的出現(xiàn)，實(shí)現(xiàn)了在變換圖像的同時(shí)直 接降維壓縮圖像，大大節(jié)約了編碼成本，引起了廣泛關(guān)注。
[0003] 提高圖像壓縮感知編碼率失真性能是現(xiàn)有技術(shù)致力于實(shí)現(xiàn)的目標(biāo)。主流方法是建 立圖像稀疏表示模型改善最小Ii范數(shù)重建的收斂性能：文獻(xiàn)"Compressed Sensing Recovery of Images and Video Using Multihypothesis Predictions"（Chen C,TrameI E ff,and Fowler J E，Proceedings of Conference Record of the 46th Asilomar Conference，Pracific Grove,CA:IEEE Signal Processing Society Press:2011:1193-1198)提出利用圖像空間冗余作多假設(shè)預(yù)測(cè)，以復(fù)原相比原始圖像更稀疏的殘差提升重建 質(zhì)量；文南犬"NESTA:A Fast and Accurate First-Order Method for Sparse Recovery" (Becker S,Bobin J,Candes E J，SIAM Journal on Imaging Sciences,2011,4(1)：1-39) 提出充分利用一階分析法的NESTA方法，確保稀疏分解的快速性和穩(wěn)健性。上述技術(shù)的率失 真性能提升是以在重建端引入高計(jì)算復(fù)雜度為代價(jià)，往往隨著圖像維數(shù)增加，重建時(shí)間將 急速上升。為了避免高計(jì)算復(fù)雜度引入，相關(guān)技術(shù)也提出在感知端利用測(cè)量值間統(tǒng)計(jì)相關(guān) 性改進(jìn)量化方法，以減少信息熵的方式提升率失真性能：文獻(xiàn)"D P CM f 〇 r Q u a n t i z e d Block-based Compressed Sensing of Images"（Mun Sungkwang,and Fowler J.E., Proceedings of the European Conference on Signal Processing,Bucharest：IEEE Signal Processing Society Press，2012:1424-1428)利用差分預(yù)測(cè)方法消除鄰近塊的測(cè) 量冗余，節(jié)約碼率。減少統(tǒng)計(jì)冗余的量化方法，盡管能以較低計(jì)算復(fù)雜度代價(jià)換取一定程度 的率失真性能提升，但測(cè)量值的高斯分布統(tǒng)計(jì)特性也決定了其性能改善的局限性。與上述 技術(shù)相比，自適應(yīng)測(cè)量率設(shè)定是一種以小計(jì)算代價(jià)提升率失真性能的有效手段，其因可改 善壓縮感知測(cè)量效率而抑制無(wú)效測(cè)量，使之可獲得明顯的性能提升。自適應(yīng)測(cè)量率設(shè)定需 要依據(jù)各種圖像特性設(shè)計(jì)，例如，依據(jù)圖像塊方差、邊緣度量細(xì)節(jié)復(fù)雜度自適應(yīng)地為各塊設(shè) 定測(cè)量率。塊方差和圖像邊緣自適應(yīng)測(cè)量是現(xiàn)有自適應(yīng)測(cè)量率設(shè)定方法中的常用手段，但 它們僅是在測(cè)量過(guò)程中對(duì)圖像中低頻信息予以保護(hù)，而忽略了人眼更感興趣的高頻紋理細(xì) 節(jié)，導(dǎo)致復(fù)原效果并不理想。因此，本發(fā)明力求解決如何在編碼端提取有用特征表示圖像高 頻信息，引導(dǎo)自適應(yīng)測(cè)量和重建，確保圖像高頻信息的恢復(fù)。

【發(fā)明內(nèi)容】

[0004] 技術(shù)問(wèn)題:本發(fā)明致力于利用圖像紋理特征變化引導(dǎo)各塊測(cè)量率設(shè)定，通過(guò)量化 各塊紋理特征變化，對(duì)高紋理變化度塊予于高測(cè)量率，而消除低紋理變化度塊的過(guò)剩測(cè)量， 并在重建時(shí)利用塊紋理變化度分布，實(shí)施加權(quán)全局重建，有效提升重建圖像的主觀視覺(jué)質(zhì) 量。
[0005] 技術(shù)方案:本發(fā)明提出自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法，以 紋理對(duì)比度為導(dǎo)向自適應(yīng)測(cè)量與重建圖像，在編碼端利用紋理提取算法計(jì)算各塊紋理對(duì)比 度，并根據(jù)塊紋理對(duì)比度分布自適應(yīng)設(shè)定各塊測(cè)量率，而在解碼端采用塊紋理對(duì)比度加權(quán) 重建模型的目標(biāo)函數(shù)，集中優(yōu)化高紋理特征塊的重建質(zhì)量。其具體步驟包括如下：
[0006] (1)分塊輸入圖像
[0007] 全采樣生成尺寸為IrX IjN=Ir · I。)的圖像X，然后，將圖像X分成η個(gè)尺寸為BXB 的塊，其中B取8,第i個(gè)圖像塊記為列向量形式xi(i = l，2,. . .，η，η = Ν/Β2);
[0008] (2)計(jì)算塊紋理對(duì)比度
[0009] 利用像素八連通區(qū)域內(nèi)最大梯度度量各像素的紋理變化程度，即
[0010] v(xr,c)=max{ |xr,c-xP,q| |r-l^p^r+l ,c-l^q^c+l}
[0011]式中xr,。為像素位置(r，c)處的亮度值，xP,q為x r,。的八鄰接像素亮度值，I · I為絕 對(duì)值符號(hào)。對(duì)于全采樣圖像X，其任一像素的紋理變化程度均可由上式計(jì)算，由此可得，X的 紋理特征度分布V如下：
[0012]
[0013] 為了便于進(jìn)一步處理，對(duì)V規(guī)范化。設(shè)定閾值€(對(duì)￥作硬閾值處理，生成紋理特征圖 Va如下：
[0014]
[0015] 式中a在〇到1之間取值。利用Va可計(jì)算各塊的紋理特征能量如下：
[0016]
[0017] 式中Λ (X1)代表塊像素位置集合。利用各塊紋理特征能量占總能量的比例，計(jì) 算塊紋理對(duì)比度如下：
[0018]
[0019] (3)自適應(yīng)測(cè)量
[0020] 提前預(yù)設(shè)圖像總測(cè)量率S，確定總測(cè)量次數(shù)M為
[0021] M = N · S
[0022]其中N為圖像總像素?cái)?shù)。接著，利用塊紋理對(duì)比度^計(jì)算各塊測(cè)量次數(shù)如下：
[0023] Mi = round[Wi · (M-nMo)+Mo]
[0024] 式中Mo是防止塊測(cè)量率過(guò)小而預(yù)設(shè)的初始測(cè)量次數(shù)，取值為round(0.3M/n)， r〇und[ ·]為四舍五入算子。生成相應(yīng)的隨機(jī)測(cè)量矩陣ΦΒι，最后，計(jì)算長(zhǎng)度為姐（<<82)的 各塊測(cè)量向量yi如下：
[0025] yi= Φβ?Χ?
[0026] 最后，將η個(gè)塊測(cè)量向量yi傳輸至解碼端。
[0027] (4)自適應(yīng)重建
[0028] 解碼端接收到各塊測(cè)量向量yi后，將所有塊測(cè)量向量按列排列如下：
[0032] 并引入初等矩陣I將分塊排列的各塊列向量重新排序?yàn)檎鶊D像列向量如下：
[0029]
[0030]
[0031]
[0033]
[0034] 則可得
[0035] y= Φ · I · X= Θ · X
[0036] 構(gòu)成全局重建模型如下：
[0037]
[0038]式中Ψ為整幅圖像X的變換矩陣。推導(dǎo)出塊紋理對(duì)比度估計(jì)值如下：
[0039]
[0040] 利用塊紋理對(duì)比度估計(jì)值加權(quán)全局重建模型的首項(xiàng)如下：
[0041]
[0042] 構(gòu)造對(duì)角矩陣W如下：
[0043]
[0044]
[0045]
[0046]
[0047]
[0048] 可看到自適應(yīng)塊紋理對(duì)比度加權(quán)重建模型是。-^范數(shù)最小化模型，其中正則化參 數(shù)λ取0.3,圖像變換矩陣Ψ采用濾波器長(zhǎng)度為4的Daubechies正交小波。采用梯度投影方 法求解全局重建模型，獲得最終的重建圖像X。
[0049] 有益效果:本發(fā)明提出的自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法根 據(jù)塊紋理對(duì)比度分布，集中測(cè)量豐富紋理區(qū)域，保護(hù)重建圖像的高頻信息，可有效改善圖像 主客觀重建質(zhì)量，其整體性能與現(xiàn)有技術(shù)相比，獲得了較大的率失真性能改善。
【附圖說(shuō)明】
[0050] 圖1為本發(fā)明編解碼框圖。
[0051 ] 圖2為512 X 512Lenna圖的塊方差、邊緣及紋理特征分布對(duì)比。
[0052] 圖3為總測(cè)量率S為0.3時(shí)，各種方法重建Mandr i 11圖像的主觀視覺(jué)對(duì)比。
[0053]具體實(shí)施方法
[0054] 以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步描述。
[0055] 本發(fā)明提出的低復(fù)雜度壓縮感知圖像編解碼框圖如圖1所示。在編碼端，首先，場(chǎng) 景由CMOS傳感器全采樣生成尺寸為IrXUN=I r · I。)的圖像X，然后，將圖像X分成η個(gè)尺寸 為BXB的塊，其中B取8,第i個(gè)圖像塊記為列向量形式Xi(i = l，2，. ..，η，η = Ν/Β2)，接著，根 據(jù)塊紋理對(duì)比度計(jì)算各塊測(cè)量次數(shù)1(<<82)，生成相應(yīng)的隨機(jī)測(cè)量矩陣Φ Βι，最后，由式 (1)得到長(zhǎng)度為Μβ(<<Β2)的各塊測(cè)量向量yi如下：
[0056] yi= Φβ?Χ? (1)
[0057] 式由Φ?、縣MrXR2的隨機(jī)高斯矩陣，另外定義各塊測(cè)量率Si如下：
[0058]
(2)
[0059 ]最后，將η個(gè)塊測(cè)量向量y i按列排列為總測(cè)量向量y，并傳輸至解碼端。
[0060] 塊紋理對(duì)比度計(jì)算方法如下所述。利用像素八連通區(qū)域內(nèi)最大梯度度量各像素的 紋理變化程度，即
[0061] v(Xr,c)=max{ |xr,c_Xp,q| |r-Kp<r+l，c-Kq<c+l} (3)
[0062]式中Xr,。為像素位置(r，C)處的亮度值，Xp,q為Xr,。的八鄰接像素亮度值，I · I為絕 對(duì)值符號(hào)。對(duì)于全采樣圖像X，其任一像素的紋理變化程度均可由式(3)計(jì)算，由此可得，X的 紋理特征度分布V如下；
[0063]
(4)
[0064] 為了便于進(jìn)一步處理，對(duì)v規(guī)范化。設(shè)定閾值〇對(duì)￥作硬閾值處理，生成紋理特征圖 Va如下：
[0065]
(5)
[0066] 式中a在0到1之間取值。在紋理特征圖Va中，0意味當(dāng)前像素與其八鄰接像素間差 異較小，而1則代表差異較大，其附近更可能包含豐富紋理。利用Va可計(jì)算各塊的紋理特征 能量如下：
[0067]
(6)
[0068]式中Λ (Xl)代表塊^的像素位置集合。我們將各塊紋理特征能量占總能量的比例 稱作塊紋理對(duì)比度，按式（7)計(jì)算如下：
(7)
[0069]
[0070] 圖2顯示了512 X 512Lenna圖的塊方差、邊緣及紋理特征分布對(duì)比，可看出在紋理 細(xì)節(jié)豐富的毛發(fā)、眼睛區(qū)域，紋理對(duì)比度均以高亮顯示，且其也可突出邊緣，而塊方差與邊 緣特征并未凸顯紋理細(xì)節(jié)，因此，塊方差與邊緣特征無(wú)法引導(dǎo)集中測(cè)量富含紋理細(xì)節(jié)的區(qū) 域，而本發(fā)明提出的紋理對(duì)比度，可確保以大測(cè)量率捕獲高紋理特征塊的信息。與傳統(tǒng)圖像 編碼中常用的快速DCT變換計(jì)算復(fù)雜度O(Nlog 2N)相比，提取塊紋理對(duì)比度的計(jì)算復(fù)雜度僅 為O(N)，那么，可知在編碼端提取紋理特征仍可確保較低的計(jì)算復(fù)雜度。
[0071] 自然圖像在空域內(nèi)具有非平穩(wěn)統(tǒng)計(jì)特性，直接以塊紋理對(duì)比度為依據(jù)設(shè)定各塊測(cè) 量率會(huì)造成圖像總測(cè)量率隨圖像內(nèi)容而變化，不易于碼率控制，因此，提前預(yù)設(shè)圖像總測(cè)量 率S，確定總測(cè)量次數(shù)M為
[0072] M = N · S (8)
[0073]其中N為圖像總像素?cái)?shù)。接著，利用塊紋理對(duì)比度^計(jì)算各塊測(cè)量次數(shù)如下：
[0074] Mi = round[Wi · (M-nMo)+Mo] (9)
[0075] 式中Mo是防止塊測(cè)量率過(guò)小而預(yù)設(shè)的初始測(cè)量次數(shù)，取值為round(0.3M/n)， r〇und[ ·]為四舍五入算子。由式(9)確定各塊測(cè)量次數(shù)后，部分高紋理對(duì)比度塊的測(cè)量次 數(shù)可能會(huì)過(guò)大，導(dǎo)致紋理區(qū)域高質(zhì)量重建，而非紋理區(qū)域塊由于分配較少的測(cè)量次數(shù)，造成 重建質(zhì)量弱于紋理區(qū)域。若紋理區(qū)域與非紋理區(qū)域重建質(zhì)量差異過(guò)大，人眼將感覺(jué)紋理區(qū) 域突兀，造成主觀視覺(jué)質(zhì)量衰退。為了防止出現(xiàn)上述問(wèn)題，設(shè)定各塊測(cè)量次數(shù)上界U = 0.9B2,任何測(cè)量次數(shù)超出上界的塊，都將其測(cè)量次數(shù)限定為U，隨后，將剩余的測(cè)量次數(shù)均 勻分配給未越界塊，再次分配后，若又出現(xiàn)越界塊，則重復(fù)上述操作，直到所有塊測(cè)量次數(shù) 均不越界為止。自適應(yīng)設(shè)定各塊測(cè)量次數(shù)M 1，構(gòu)造相應(yīng)的隨機(jī)測(cè)量矩陣ΦΒι，并按式（1)作壓 縮感知測(cè)量，獲得塊測(cè)量向量yi，逐塊傳輸至解碼端。
[0077]
[0076] 解碼端接收到各塊測(cè)量向量71后，將所有塊測(cè)量向量按列排列如下：
[0080]并引入初等矩陣I將分塊排列的各塊列向量重新排序?yàn)檎鶊D像列向量如下：
[0078]
[0079]
[0081]
(12)
[0082] 聯(lián)合式（10)、式（11)及式（12)，可得
[0083] γ=φ·?·χ=Θ·χ (13)
[0084] 根據(jù)式（13)構(gòu)成全局重建模型如下：
[0085]
(14)
[0086] 式中Ψ為整幅圖像X的變換矩陣。由于塊測(cè)量次數(shù)M1反映了塊紋理對(duì)比度分布，因 此，由式(9)可推導(dǎo)出塊紋理對(duì)比度估計(jì)值如下：
[0087]
(15)
[0088] 利用塊紋理對(duì)比度估計(jì)值加權(quán)式（14)的首項(xiàng)如下：
[0089]
(16)
[0090]為了簡(jiǎn)化式（16)，構(gòu)造對(duì)角矩陣W如下：
[0091]
[0092]式中diag( ·)為對(duì)角矩陣生成算子。利用式(17)，式(16)可等價(jià)變形為
[0093] (18)
[0094]
[0095] (19)
[0096] 可看到自適應(yīng)塊紋理對(duì)比度加權(quán)重建模型是^-^范數(shù)最小化模型，采用文獻(xiàn) "Gradient Projection for Sparse Reconstruction：Application to Compressed Sensing and Other Inverse Problems"（Figueiredo MA T,Nowak R D,Wright S J， IEEE Journal of Selected Topics in Signal Processing，2007，l(4) :586-597)提出的 梯度投影方法求解，正則化參數(shù)λ取0.3，圖像變換矩陣Ψ采用濾波器長(zhǎng)度為4的Daubechies 正交小波。
[0097]本發(fā)明的仿真結(jié)果
[0098] 采用5幅包含不同程度平滑、邊緣和紋理細(xì)節(jié)的512 X 512標(biāo)準(zhǔn)測(cè)試圖像Lenna、 Barbara、Pepper s、Go Idhi 11和Mandr i 11測(cè)試本發(fā)明提出的編碼器率失真性能。在所有實(shí)驗(yàn) 中，預(yù)設(shè)總測(cè)量率S分別取0.1到0.5。評(píng)價(jià)客觀性能的指標(biāo)采用峰值信噪比（Peak Signal-Noise Ratio ，PSNR)， 但考慮到隨機(jī)變化的測(cè)量矩陣， 實(shí)驗(yàn)中 5 次重建圖像并計(jì)算 PSNR 值取 其平均。對(duì)于簡(jiǎn)潔稀疏表示策略，選擇對(duì)比方法為：文獻(xiàn)"Compressed Sensing Recovery of Images and Video Using Multihypothesis Predictions"（Chen C,TrameI E ff,and Fowler J E,Proceedings of Conference Record of the 46th Asilomar Conference, Pracific Grove，CA: IEEE Signal Processing Society Press:2011:1193-1198)提出的 多假設(shè)預(yù)測(cè)平滑Landweber迭代方法，命名為MH_SPL;文獻(xiàn)"NESTA:A Fast and Accurate First-Order Method for Sparse Recovery"（Becker S,Bobin J,Candes E J,SIAM Journal on Imaging Sciences，2011，4(1): 1-39)提出充分利用一階分析法的NESTA方法。 對(duì)于量化策略，選擇對(duì)比方法為：文獻(xiàn)"DPCM for Quantized Block-based Compressed Sensing of Images"（Mun Sungkwang，and Fowler J.E.,Proceedings of the European Conference on Signal Processing，Bucharest: IEEE Signal Processing Society Press ,2012:1424-1428)提出的DPCM方法，對(duì)應(yīng)重建方法采用NESTA方法，命名為DPCM+ NESTA。圖3顯示了本發(fā)明與對(duì)比方法的平均率失真曲線，可看到本發(fā)明隨比特率升高，PSNR 值獲得顯著提升，其增長(zhǎng)速率優(yōu)于對(duì)比算法，且當(dāng)比特率高于1.3bpp時(shí)，PSNR值超越對(duì)比方 法，并逐漸拉開(kāi)距離。表1列出了各種方法在不同測(cè)量率下重建圖像的PSNR值，可看到當(dāng)總 測(cè)量率S為0.1時(shí)，本發(fā)明的PSNR值低于MH_SPL方法，但與NESTA、DPCM+NESTA方法相差無(wú)幾。 然而，當(dāng)總測(cè)量率S為0.3與0.5時(shí)，本發(fā)明PSNR值明顯優(yōu)化對(duì)比方法?？倻y(cè)量率S為0.3時(shí)，各 種方法重建Mandrill圖像對(duì)比，可看出本發(fā)明具有良好的主觀視覺(jué)感受，與對(duì)比方法相比， 其紋理細(xì)節(jié)獲得了更好保護(hù)。綜上所示，可知本發(fā)明有效提升了低復(fù)雜度圖像編碼的率失 真性能，且確保了良好的主觀視覺(jué)質(zhì)量。
[0099]表1本發(fā)明與對(duì)比方法重建測(cè)試圖像的PSNR值(dB)對(duì)比
【主權(quán)項(xiàng)】
1. 一種自適應(yīng)紋理對(duì)比度的低復(fù)雜度壓縮感知圖像編碼方法，其特征在于該方法包 括:塊紋理對(duì)比度計(jì)算、自適應(yīng)測(cè)量與自適應(yīng)重建； 塊紋理對(duì)比度計(jì)算包括，利用像素八連通區(qū)域內(nèi)最大梯度度量各像素的紋理變化程 度，即 v(xr,c)=max{ |xr,c_xP,q| |r-Kp<r+l，c_Kq<c+l} 式中xi·,。為像素位置(r，c)處的亮度值，xP,q為xr,。的八鄰接像素亮度值，卜I為絕對(duì)值 符號(hào)，對(duì)于全采樣圖像X，其任一像素的紋理變化程度均可由上式計(jì)算，由此可得，X的紋理 特征度分布v如下：為了便于進(jìn)一步處理，對(duì)v規(guī)范化，設(shè)定閾值〇對(duì)?作硬閾值處理，生成紋理特征圖V。如 下：式中α在0到1之間取值，利用Va可計(jì)算各塊的紋理特征能量如下：式中Λ (Xl)代表塊^的像素位置集合，利用各塊紋理特征能量占總能量的比例，計(jì)算塊 紋理對(duì)比度如下：自適應(yīng)測(cè)量包括，提前預(yù)設(shè)圖像總測(cè)量率S，確定總測(cè)量次數(shù)Μ為 Μ=Ν · S 其中Ν為圖像總像素?cái)?shù)，接著，利用塊紋理對(duì)比度^計(jì)算各塊測(cè)量次數(shù)如下： Mi = round [wi · (M-nM〇)+M〇] 式中Mo是防止塊測(cè)量率過(guò)小而預(yù)設(shè)的初始測(cè)量次數(shù)，取值為round(0.3M/n)，round[ ·] 為四舍五入算子，生成相應(yīng)的隨機(jī)測(cè)量矩陣ΦΒι，最后，計(jì)算長(zhǎng)度為1(<<82)的各塊測(cè)量 向量yi如下： yi= Φβ?Χ? 最后，將η個(gè)塊測(cè)量向量71傳輸至解碼端； 自適應(yīng)重建包括，解碼端接收到各塊測(cè)量向量yi后，將所有塊測(cè)量向量按列排列如下：令并引入初等矩陣I將分塊排列的各塊列向量重新排序?yàn)檎鶊D像列向量如下：則可得 y= Φ · I · χ= Θ · χ 構(gòu)成全局重建模型如下：式中Ψ為整幅圖像X的變換矩陣，推導(dǎo)出塊紋理對(duì)比度估計(jì)值如下：利用塊紋理對(duì)比度估計(jì)值加權(quán)全局重建模型的首項(xiàng)如下：構(gòu)造對(duì)角矩陣W如下：式中diag( ·)為對(duì)角矩陣生成算子，全局重建模型等價(jià)變形為令Ω =ff0，進(jìn)一步整理得可看到自適應(yīng)塊紋理對(duì)比度加權(quán)重建模型是^-^范數(shù)最小化模型，其中正則化參數(shù)λ 取0.3,圖像變換矩陣Ψ采用濾波器長(zhǎng)度為4的Daubechies正交小波，采用梯度投影方法求 解全局重建模型，獲得最終的重建圖像支。
【文檔編號(hào)】G06T9/00GK106056638SQ201610335409
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年5月18日
【發(fā)明人】李然, 劉正輝, 馬文鵬, 劉宏兵
【申請(qǐng)人】信陽(yáng)師范學(xué)院